细胞因子是由免疫细胞（如单核、巨噬细胞、T细胞、B细胞、NK细胞等）和某些非免疫细胞（内皮细胞、表皮细胞、纤维母细胞等）经刺激而合成、分泌的一类具有广泛生物学活性的小分子蛋白质。细胞因子一般通过结合相应受体调节细胞生长、分化和应答，其中包括免疫应答。此外，越来越多的研究发现某些细胞因子，尤其是那些参与适应性免疫应答的细胞因子（如IFNγ、IL-2和IL-12），能够有助于抗肿瘤免疫。

因此，小编今天给大家分享一篇今年7月刚刚发表在J Immunother Cancer (IF:10.9)杂志上关于使用细胞因子预测免疫应答结局的文章，该文章基于治疗前和早期治疗患者外周血细胞因子，使用机器学习算法构建了预测非小细胞肺癌免疫治疗结果的特征。文章逻辑清晰，简洁明了，有理有据，聚焦于细胞因子，开发出了有效的预后预测模型，值得我们参考学习。

Machine learning for prediction of immunotherapeutic outcome in nonsmall-cell lung cancer based on circulating cytokine signatures

基于机器学习构建预测非小细胞肺癌免疫治疗结果的循环细胞因子特征

一．文章摘要

研究纳入了123和99名接受抗PD -1/PD-L1单药治疗或联合化疗的非小细胞肺癌(NSCLC)患者，分别作为训练集和验证集。研究检测了基线(治疗前：pre)和治疗后6周(治疗早期：edt)患者外周血中93种细胞因子的血浆浓度。接下来研究选择特征细胞因子，并基于这些细胞因子开发了集成学习随机生存森林分类器来预测接受免疫检查点抑制剂(ICI)治疗患者的全局生存(OS)。结果研究识别了治疗前的14种和治疗时的19种细胞因子，并构建了CIRI模型(包括 preCIRI14和edtCIRI19)，这两种模型都在两个完全独立的队列中识别出了OS较差的患者。研究也在群体水平上和个体水平上，证明了CIRI评分较高的患者具有更差的OS。通过纳入其他循环和临床特征，研究也证明了模型具有良好的预测效能。

二．研究的主要内容及结果

1. 基于治疗前细胞因子谱预测治疗结果

研究首先基于治疗前患者的细胞因子谱开发了一个集成学习随机森林分类器，用于预测抗PD -1/ PD-L1免疫治疗的OS，研究的主要流程如所示。研究根据随机森林对训练集中检测的93个治疗前细胞因子在OS预测模型中的重要性进行评分和排序(A)，并识别了14种细胞因子作为特征细胞因子，构建OS预测模型(preCIRI14)，研究发现preCIRI14模型在训练集中表现优异(B-C)。然后研究将患者分为高风险及低风险组，Kaplan-Meier分析发现训练集中高风险组患者的预后明显差于低风险组患者(D)。此外，作者在验证集中也观察到preCIRI14对于预后具有良好的预测能力(E-F)。

2. 基于早期治疗细胞因子谱预测治疗结果

这一部分研究使用接受免疫治疗患者的细胞因子谱构建了预后模型。研究采用与治疗前细胞因子谱类似的分析，识别出19个特征细胞因子(A)。研究接着用这些特征细胞因子构建OS预测模型：edtCIRI19。研究在训练集及验证集中都观察带edtCIRI19对OS具有良好的预测效能(B)，且每个时间点的ROC曲线也显示edtCIRI19在训练集和验证集中的预测性能相似(C-E)。在个体水平上，研究edtCIRI19模型的预测评分，将患者分为高风险组和低风险组，Kaplan-Meier分析显示，训练及验证队列中高风险组患者的预后均明显差于低风险组患者(D-F)。

3. 预测模型的改进

这一部分研究对得到的预测模型进行了进一步的改进。作者通过将细胞因子与其他循环因子以及临床研究中已被证明与免疫治疗反应相关的临床特征相结合，对治疗前及早期治疗预测模型进行了改进，开发出了改进后的模型preCIRI21和edtCIRI27。研究评估发现与只用循环细胞因子相比，preCIRI21和edtCIRI27的预测效果在训练集及验证集中都有所提高，且根据改进模型对患者进行分组后，两组的患者也都具有显著的生存差异(和5)。

4. 特征细胞因子与预测预后的关联

在文章的最后一部分作者对特征细胞因子与预测预后的关联进行了评估。作者首先在个体水平上计算了特征细胞因子水平与CIRI评分之间的Spearman相关系数。结果研究在两个独立队列中都观察到大多数特征细胞因子的水平与CIRI评分之间存在显著相关性()。在preCIRI14模型中，共有10个特征细胞因子在训练集或验证集中水平与患者的CIRI评分之间显著正相关(A)。在edtCIRI19模型中，也包含10个候选特征细胞因子水平在训练和验证集患者中与CIRI评分呈显著正相关，一个细胞因子与其显著负相关(B)。此外，在preCIRI21的高低风险组间，多个细胞因子的水平及患者性别比例都存在显著差异。进一步研究在edtCIRI27高低风险组间也观察到多个细胞因子水平存在显著差异。

到这里这篇文章的主要内容就介绍完啦，总结一下，文章分别检测了免疫治疗前及免疫治疗早期患者外周血中93种细胞因子的水平，并基于机器学习筛选出候选特征细胞因子，最后利用这些细胞因子构建了预测模型。研究在多个队列中对预测模型的效能进行了评估，并纳入其他临床信息对模型进行了改进，总之研究基于机器学习构建了鲁棒的细胞因子相关的免疫治疗结局预测模型。如今，越来越多的研究开始尝试将细胞因子应用于癌症的治疗，而这篇文章就将细胞因子与免疫治疗结局预测进行了结合，可以说细胞因子的研究未来可期！